574 Parte Tres Temas de econometría

15.11 Modelo tobit

Una extensión del modelo probit es el modelo tobit, desarrollado por James Tobin, economista
laureado con el Nobel. Para explicar este modelo continuamos con el ejemplo de propiedad de
vivienda. En el modelo probit, el objetivo era estimar la probabilidad de tener una casa propia
como función de algunas variables socioeconómicas. En el modelo tobit, el interés radica en
averiguar la cantidad de dinero que una persona o familia gasta en una casa en relación con las
variables socioeconómicas. Ahora tenemos un problema: si un consumidor no compra una casa,
obviamente no hay información sobre el gasto en vivienda de tales consumidores; se tiene tal
información sólo sobre los consumidores que en efecto compran casa.
Así, los consumidores se dividen en dos grupos, uno que consiste, por ejemplo, en n1 con-
sumidores de quienes se posee información sobre las regresoras (por ejemplo, ingreso, tasa de
interés hipotecaria, número de personas que forman la familia, etc.) al igual que sobre la variable
regresada (cantidad de gasto en vivienda), y otro que consiste, por ejemplo, en n2 consumidores
de quienes sólo se tiene información sobre las regresoras pero no sobre la variable regresada.
Cuando en una muestra la información sobre la variable regresada está disponible sólo para al-
gunas observaciones, se conoce como muestra censurada.36 Por consiguiente, el modelo tobit
también se conoce como modelo de regresión censurada. Algunos autores los llaman modelos de
regresión con variable dependiente limitada debido a la restricción impuesta sobre los valores
tomados por la variable regresada.
En términos estadísticos, el modelo tobit se expresa como

Yi = β1 + β2 X i + u i si LD > 0
(15.11.1)
=0 en otro caso

donde LD  lado derecho. Nota: Se pueden agregar fácilmente otras variables X al modelo.
¿Es posible estimar la regresión (15.11.1) sólo con n1 observaciones y dejar de lado sin más
la preocupación por las n2 observaciones restantes? La respuesta es no, pues las estimaciones por
MCO de los parámetros obtenidos del subconjunto de n1 observaciones estarán sesgadas y serán
inconsistentes; es decir, estarán sesgadas pero de manera asintótica.37
Para ver esto, considere la figura 15.7. Como muestra esta figura, si no se observa Y (debido
a la censura), todas esas observaciones ( n2), denotadas por cruces, quedarán sobre el eje ho-
rizontal. Si se observa Y, las observaciones ( n1) (señaladas con puntos) quedarán en el plano
X-Y. La intuición indica que si estimamos una regresión basada sólo en las n1 observaciones, los
coeficientes resultantes del intercepto y de la pendiente estarán limitados a ser diferentes de
los que obtendríamos si se tomaran en cuenta todas las (n1 + n2) observaciones.
¿Cómo estimar entonces los modelos de regresión tobit (o censurados), como (15.11.1)? El
mecanismo real implica al método de máxima verosimilitud, que, por su complejidad, escapa al
alcance de este libro. Pero el lector puede obtener más información respecto del método MV en
la bibliografía.38

36
Una muestra censurada debe diferenciarse de una muestra truncada, en la cual la información sobre
las regresoras sólo está disponible si se observa la variable regresada. No analizaremos este tema aquí, pero
el lector puede consultar William H. Greene, Econometric Analysis, Prentice Hall, 4a. ed., Englewood Cliffs,
Nueva Jersey, cap. 19. Para un análisis intuitivo, véase Peter Kennedy, A Guide to Econometrics, The MIT Press,
Cambridge, Massachusetts, 4a. ed., 1998, capítulo 16.
37
El sesgo surge porque si sólo se consideran las ni observaciones y se omiten las demás, no hay garantía de
que E (ui ) será necesariamente igual a cero. Y sin E (ui ) = 0 no podemos garantizar que los estimadores de
MCO serán insesgados. Este sesgo se ve fácilmente en el análisis del apéndice 3A, ecuaciones (4) y (5).
38
Véase Greene, op. cit. Hay un análisis un poco menos técnico en Richard Breen, Regression Models: Censo-
res, Sampled Selected or Truncated Data, Sage, Newbury Park, California, 1996.

16_Maq. Cap. 15_Gujarati.indd 574 12/19/09 11:16:34 PM

 Capítulo 15 Modelos de regresión de respuesta cualitativa 575

FIGURA 15.7 × : Datos no disponibles

Gráfico de la cantidad de Y sobre gasto, pero sí sobre
dinero que gasta el con- ingreso
sumidor en comprar una : Datos disponibles sobre
gasto e ingreso
casa contra el ingreso.

Gasto en vivienda

× × × × × × X
Ingreso

James Heckman propuso un método alterno y más sencillo que el MV.39 Consiste en un
cálculo de dos pasos. En el primero estimamos la probabilidad de que un consumidor tenga una
casa propia, con base en el modelo probit. En el siguiente paso estimamos el modelo (15.11.1)
añadiéndole una variable (llamada razón inversa de Mills o razón de riesgo), la cual se deriva
a partir de la estimación probit. Para conocer el mecanismo real, consulte el artículo de Hack-
man. El procedimiento Hackman proporciona estimaciones consistentes de los parámetros de
(15.11.1), pero no tan eficientes como las estimaciones de MV. Como los programas estadísticos
más modernos cuenta con rutinas de MV, serían preferibles en vez del proceso Hackman de dos
pasos.

Ilustración del modelo tobit: modelo de Ray Fair

para las relaciones extramaritales40
En un interesante y novedoso artículo teórico, Ray Fair recopiló una muestra de 601 hombres y
mujeres casados por primera vez y analizó sus respuestas a la pregunta respecto de relaciones
extramaritales.41 Las variables de este estudio se definen como sigue:
Y  número de relaciones extramaritales durante el año anterior, 0, 1, 2, 3, 4-10 (codificado
como 7)
Z1  0 para la mujer y 1 para el hombre
Z2  edad
Z3  número de años de matrimonio
Z4  hijos: 0 si no los hay, 1 si los hay
Z5  religiosidad en una escala de 1 a 5, 1 para los no religiosos
Z6  escolaridad en años: básica  9, licenciatura  12, doctorado u otro grado  20
Z7  ocupación, escala “Hollingshead”, de 1 a 7
Z8  autovaloración del matrimonio, 1  muy infeliz, 5  muy feliz

39
J.J. Heckman, “Simple Selection Bias as a Specification Error”, Econometrica, vol. 47, pp. 153-161.
40
Ray Fair, “A Theory of Extramarital Affaires”, Journal of Political Economy, vol. 86, 1978, pp. 45-61. Para el
artículo y los datos, consulte http://fairmodel.econ.yale.edu/rayfair/pdf/1978DAT.ZIP.
41
En 1969, Psychology Today publicó un cuestionario con 101 preguntas sobre el sexo y pidió a sus lectores
que enviaran por correo las respuestas. En el número correspondiente a julio de 1970 se analizaron los resul-
tados de la encuesta con base en 2 000 respuestas que se recopilaron de forma electrónica. Ray Fair extrajo
la muestra de 601 casos de estas respuestas.

16_Maq. Cap. 15_Gujarati.indd 575 12/19/09 11:16:34 PM

 576 Parte Tres Temas de econometría

TABLA 15.18 Variable explicativa Estimaciones MCO Estimaciones tobit

Estimaciones por MCO
y tobit de las relaciones Intercepto 5.8720 (5.1622)* 7.6084 (1.9479)†
extramaritales Z1 0.0540 (0.1799) 0.9457 (0.8898)
Z2 −0.0509 (−2.2536) −0.1926 (−2.3799)
Z3 0.1694 (4.1109) 0.5331 (3.6368)
Z4 −0.1426 (−0.4072) 1.0191 (0.7965)
Z5 −0.4776 (−4.2747) −1.6990 (−4.1906)
Z6 −0.0137 (−0.2143) 0.0253 (0.1113)
Z7 0.1049 (1.1803) 0.2129 (0.6631)
Z8 −0.7118 (−5.9319) −2.2732 (−5.4724)
R2 0.1317 0.1515

* Las cifras entre paréntesis son los valores t.

†
Las cifras entre paréntesis son los valores Z (normal estandarizados).
Nota: En total hay 601 observaciones, de las cuales 451 tienen valores cero para la variable dependiente (número de relaciones
extramaritales), y 150, valores diferentes de cero.

De las 601 respuestas, 451 individuos no tuvieron relaciones extramaritales y 150 tuvieron una
o más.
En términos de la figura 15.7, si graficamos el número de relaciones en el eje vertical y, por
ejemplo, la escolaridad en el horizontal, habrá 451 observaciones a lo largo del eje horizontal.
Por tanto, tenemos una muestra censurada, así que resulta apropiado un modelo tobit.
La tabla 15.18 proporciona las estimaciones del modelo anterior obtenidas mediante los pro-
cedimientos MCO (inapropiado) y MV (apropiado). Como se observa, el método de MCO in-
cluye 451 individuos que no tuvieron relaciones y 150 que tuvieron una o más. El método MV
toma esto en cuenta de manera explícita, pero los MCO no; he aquí la diferencia entre las dos es-
timaciones. Por razones ya vistas, debemos confiar en las estimaciones MV y no en las de MCO.
Los coeficientes en ambos modelos pueden interpretarse como cualesquiera otros coeficientes de
regresión. El coeficiente negativo de Z8 (felicidad marital) significa que mientras más feliz se es,
menor es la incidencia de relaciones extramaritales, hallazgo que quizá no sorprenda.
A propósito, observe que si nos interesa la probabilidad de las relaciones extramaritales y no
su número, podemos utilizar el modelo probit, con Y  0 para los individuos que no tuvieron
relaciones de ese tipo y Y  1 para los que sí las tuvieron, cuyos resultados se muestran en la
tabla 15.19. Si ya saben elaborar modelos probit, los lectores deben ser capaces de interpretar los
resultados probit de dicha tabla.

15.12 Creación de modelos para datos de cuenta:

modelo de regresión de Poisson
Existen muchos fenómenos en los que la regresada es del tipo de cuenta, como el número de
vacaciones tomadas por una familia en un año, el número de patentes otorgadas a una empresa
en un año, el número de visitas a un dentista o a un doctor en un año, el número de visitas a un
supermercado en una semana, el número de infracciones por estacionarse mal o conducir con
exceso de velocidad en un año, el número de días en un hospital durante un periodo determinado,
la cantidad de automóviles que pasan por una caseta en un intervalo de, por ejemplo, cinco mi-
nutos, etc. La variable en cada caso es discreta: toma sólo un número finito de valores. A veces
los datos de cuenta se refieren a ocurrencias raras o poco frecuentes, como ser alcanzado por un
rayo en el lapso de una semana, ganar más de dos veces la lotería en dos semanas o tener uno o
más ataques al corazón en el transcurso de cuatro semanas. ¿Cómo elaboramos los modelos de
estos fenómenos?

16_Maq. Cap. 15_Gujarati.indd 576 12/19/09 11:16:35 PM

 Capítulo 15 Modelos de regresión de respuesta cualitativa 577

TABLA 15.19
Variable dependiente: YSTAR
Método: Logit binario MV
Muestra: 1-601
Observaciones incluidas: 601
Convergencia lograda después de 5 iteraciones

Variable Coeficiente Error estándar Estadístico Z Probabilidad

C 0.779402 0.512549 1.520638 0.1284

Z1 0.173457 0.137991 1.257015 0.2087
Z2 -0.024584 0.010418 -2.359844 0.0183
Z3 0.054343 0.018809 2.889278 0.0039
Z4 0.216644 0.165168 1.311657 0.1896
Z5 -0.185468 0.051626 -3.592551 0.0003
Z6 0.011262 0.029517 0.381556 0.7028
Z7 0.013669 0.041404 0.330129 0.7413
Z8 -0.271791 0.053475 -5.082608 0.0000

Media de la variable Desviación estándar de la

dependiente 0.249584 variable dependiente 0.433133
Error estándar de la regresión 0.410279 Criterio de información de Akaike 1.045584
Suma de cuadrados residual 99.65088 Criterio de Schwarz 1.111453
Log verosimilitud -305.1980 Criterio de Hannan-Quinn 1.071224
Log verosimilitud restr. -337.6885 Promedio log verosimilitud -0.507817
Estadístico RV (8 gl) 64.98107 R cuadrada McFadden 0.096215
Probabilidad (estadístico RV) 4.87E-11

Obs. con Dep = 0 451 Total de obs. 601

Obs. con Dep = 1 150

Del mismo modo que elegimos la distribución de Bernoulli para el modelo de decisiones del
tipo sí/no en el modelo lineal de probabilidad, la distribución de probabilidades específicamente
adecuada para los datos de cuenta es la distribución de probabilidades de Poisson. La fdp de la
distribución de Poisson está dada por:42
μY e−μ
f (Yi ) = Y = 0, 1, 2, . . . (15.12.1)
Y!

donde f (Y ) denota la probabilidad de que la variable Y tome valores enteros no negativos,

y donde Y ! (se lee como Y factorial) significa Y!  Y × (Y − 1) × (Y − 2) × 2 × 1. Se puede
demostrar que

E(Y ) = μ (15.12.2)
var (Y ) = μ (15.12.3)

Observe una característica importante de la distribución de Poisson: su varianza es la misma que

el valor de su media.
El modelo de regresión de Poisson se expresa como:

Yi = E(Yi ) + u i = μi + u i (15.12.4)

42
Consulte cualquier libro usual de estadística para los detalles de esta distribución.

16_Maq. Cap. 15_Gujarati.indd 577 12/19/09 11:16:35 PM

 578 Parte Tres Temas de econometría

donde las Y están independientemente distribuidas como variables aleatorias Poisson, con una
media μi para cada individuo expresada como

μi  E(Yi )  β1 + β2 X 2i + β3 X 3i + · · · + βk X ki (15.12.5)

donde las X son algunas variables que afectarían el valor de la media. Por ejemplo, si la variable
de cuenta es el número de visitas al Museo Metropolitano de Nueva York en un año determinado,
esta cifra dependerá de variables como el ingreso del consumidor, el precio de entrada, la distan-
cia al museo y las tarifas de estacionamiento.
Para propósitos de cálculo, expresamos el modelo como

μY e−μ
Yi  + ui (15.12.6)
Y!

en donde μ está sustituida por (15.12.5). Como se aprecia fácilmente, el modelo de regresión
resultante será no lineal en los parámetros, por lo que requiere una estimación de regresión no
lineal, que analizamos en el capítulo anterior. Consideremos un ejemplo concreto para ver cómo
funciona esto.

EJEMPLO 15.8 Estos datos se recopilaron por Neter et al.43 Los datos se refieren a 100 individuos de 65 años
Un ejemplo ilus- de edad o mayores. El objetivo del estudio fue registrar el número de caídas ( Y ) sufridas por
estos individuos según el sexo (X2  0 si es mujer y 1 si es hombre), índice de equilibrio (X3) e
trativo: estudio índice de fortaleza (X4). Mientras mayor sea el índice de equilibrio, más estable será el sujeto;
geriátrico sobre la y mientras mayor sea el índice de fortaleza, más fuerte será el individuo. Para averiguar si la
frecuencia de caí- escolaridad, o la escolaridad más los ejercicios aeróbicos, influyen en el número de caídas, los
das autores introdujeron la variable adicional (X1), llamada variable de intervención, la cual X1  0 si
sólo interviene la escolaridad, y X1  1 si se trata de la escolaridad más los ejercicios aeróbicos.
Los sujetos se asignaron de manera aleatoria a los dos métodos de intervención.
Con EViews 6 obtuvimos los resultados de la tabla 15.20.

TABLA 15.20 Variable dependiente: Y

Muestra: 1-100
Convergencia lograda después de 7 iteraciones
Y=EXP(C(0)+C(1)*X1+C(2)*X2+C(3)*X3+C(4)*X4)
Coeficiente Error estándar Estadístico t Probabilidad
C(0) 0.37020 0.3459 1.0701 0.2873
C(1) -1.10036 0.1705 -6.4525 0.0000
C(2) -0.02194 0.1105 -0.1985 0.8430
C(3) 0.01066 0.0027 3.9483 0.0001
C(4) 0.00927 0.00414 2.2380 0.0275

R2 = 0.4857 R2 ajustada = 0.4640

Log verosimilitud = -197.2096 Estadístico de Durbin−Watson = 1.7358

Nota: EXP( ) significa e (la base del logaritmo natural) elevado a la expresión entre paréntesis.

43
John Meter, Michael H. Kutner, Christopher J. Nachtsheim y William Wasserman, Applied Regression
Models, Irwin, 3a. ed., Chicago, 1996. Los datos provienen del disco de datos incluido en el libro y se
refieren al ejercicio 14.28.

16_Maq. Cap. 15_Gujarati.indd 578 12/19/09 11:16:35 PM

 Capítulo 15 Modelos de regresión de respuesta cualitativa 579

EJEMPLO 15.8 Interpretación de los resultados. Tenga en cuenta que lo que obtuvimos en la tabla 15.20 es
(continuación) el valor medio estimado para el i-ésimo individuo, μ̂ i ; es decir, lo que estimamos es:

μ̂i = e 0.3702−1.100366X 1i −0.02194X 2i +0.0106X 3i +0.00927X 4i (15.12.7)

Para encontrar el valor medio real del i-ésimo sujeto necesitamos colocar los valores de las distin-
tas variables X de ese sujeto. Por ejemplo, el sujeto 99 tuvo estos valores: Y  4, X1  0, X2  1,
X3  50 y X4  56. Al colocar dichos valores en (15.12.7), obtenemos μ̂99  3.3538 como valor
medio estimado del sujeto 99. El valor real Y de este individuo fue 4.
Ahora bien, si deseamos saber la probabilidad de que un sujeto similar al 99 sufra menos de
cinco caídas al año, se obtiene mediante:

P (Y < 5) = P (Y = 0) + P (Y = 1) + P (Y = 2) + P (Y = 3) + P (Y = 4)
(3.3538)0 e−3.3538 (3.3538)1 e−3.3538 (3.3538)2 e−3.3538
= + +
0! 1! 2!
(3.3538)3 e −3.3538 (3.3538)4 e −3.3538
+ +
3! 4!
= 0.7491

Asimismo, calculamos el efecto marginal o parcial que una regresora tiene en el valor medio
de Y de la siguiente manera. En términos de este ejemplo, suponga que deseamos averiguar el
efecto de un incremento de una unidad en el índice de fortaleza (X4) sobre la media Y. Como

μ = e C 0 +C 1 X 1i +C 2 X 2i +C 3 X 3i +C 4 X 4i (15.12.8)

deseamos conocer ∂μ/∂X4. Con la regla de la cadena del cálculo, demostramos fácilmente que
lo anterior es igual a
∂μ
= C 4 e C 0 +C 1 X 1i +C 2 X 2i +C 3 X 3i +C 4 X 4i = C 4 μ (15.12.9)
∂X 4
Es decir, la tasa de cambio del valor medio respecto de la regresora es igual al coeficiente de esa
regresora multiplicado por el valor medio. Por supuesto, el valor medio μ depende de los valores
tomados por todas las regresoras en el modelo. Esto es similar a los modelos probit y logit ya
analizados, en los que la contribución marginal de una variable también dependía de los valores
tomados por todas las variables del modelo.
De regreso a la importancia estadística de los coeficientes individuales, observamos que el
intercepto y la variable X2 son estadísticamente significativas en lo individual. Pero note que los
errores estándar dados en la tabla son asintóticos y, por tanto, los valores t deben interpretarse
de manera asintótica. Como ya mencionamos, por lo general los resultados de todos los proce-
dimientos iterativos de estimación no lineales sólo tienen validez en muestras grandes.
Para concluir el análisis del modelo de regresión de Poisson, vale la pena mencionar que el
modelo hace supuestos restrictivos, como el que la media y la varianza del proceso de Poisson
son iguales y que la probabilidad de una ocurrencia es constante en cualquier punto en el
tiempo.

15.13 Otros temas de los modelos de regresión de

respuesta cualitativa
Como expresamos al principio, el tema de los modelos de regresión con respuesta cualitativa
es amplio. Lo que presentamos en este capítulo son algunos modelos básicos de este tema. Para
quienes deseen adentrarse más en esta área, a continuación estudiaremos muy brevemente otros
modelos. No profundizaremos en ellos, pues están fuera del alcance de esta obra.

16_Maq. Cap. 15_Gujarati.indd 579 12/19/09 11:16:36 PM

 580 Parte Tres Temas de econometría

Modelos ordinales logit y probit

En los modelos bivariados logit y probit, el interés residía en construir un modelo para una va-
riable de respuesta del tipo sí o no. Pero a menudo la variable de respuesta, o regresada, puede
tener más de dos resultados, y con mucha frecuencia son ordinales por naturaleza; es decir,
no pueden expresarse en una escala de intervalo. Suele suceder que en las investigaciones del
tipo de encuesta las respuestas se den en una escala de tipo Likert, por ejemplo, “totalmente de
acuerdo”, “algo de acuerdo”, o “totalmente en desacuerdo”. O las respuestas de una encuesta
sobre educación quizá sean “menor a la educación media superior”, “educación media superior”,
“licenciatura”, “posgrado”. Muy a menudo tales respuestas se codifican como 0 (menor a la
educación media superior), 1 (educación media superior), 2 (licenciatura) y 3 (posgrado). Éstas
son escalas ordinales, pues hay un orden claro entre las categorías, pero no podemos decir que
2 (licenciatura) es dos veces 1 (educación media superior), o que 3 (posgrado) es tres veces 1
(educación media superior).
Para estudiar estos fenómenos extendemos los modelos bivariados logit y probit a fin de que
tomen en cuenta múltiples categorías ordenadas. La aritmética tiene mucho que ver, pues se
precisan distribuciones de probabilidades logística y normal en múltiples etapas para las diversas
categorías ordenadas. Respecto de las matemáticas necesarias y algunas de sus aplicaciones, el
lector puede consultar los textos de Greene y Maddala ya citados. En un nivel comparativamente
intuitivo, puede consultar la monografía de Liao.44 Los programas de software como LIMDEP,
EViews, STATA y SHAZAM tienen rutinas para estimar los modelos logit y probit ordenados.

Modelos multinomiales logit y probit

En los modelos probit y logit ordenados, las variables de respuesta tienen más de dos categorías
ordenadas o jerarquizadas. Pero existen situaciones en las que la regresada no está ordenada.
Por ejemplo, considere la elección del transporte para ir al trabajo. Las elecciones son bicicleta,
motocicleta, automóvil, autobús o tren. Aunque son respuestas categóricas, no existe jerarquía
ni orden; en esencia, tienen una naturaleza nominal. Otro ejemplo: las clasificaciones laborales,
como mano de obra no especializada, semiespecializada y muy especializada. De nuevo, no hay
ningún orden. De manera semejante, las elecciones ocupacionales, como autoempleado, em-
pleado de una empresa privada, empleado de una oficina gubernamental local y empleado de una
oficina gubernamental federal, son de carácter esencialmente nominal.
Las técnicas de los modelos probit y logit multinomiales sirven para estudiar esas catego-
rías nominales. Una vez más, las matemáticas intervienen en cierta medida. Las referencias ya
citadas ofrecen los elementos esenciales de esas técnicas. Asimismo, el software estadístico ya
mencionado es útil para aplicar tales modelos si así se requiere en casos específicos.

Modelos de duración
Considere preguntas como las siguientes: 1) ¿qué determina la duración de los intervalos de des-
empleo?, 2) ¿qué determina la vida de un foco?, 3) ¿qué factores determinan la duración de una
huelga?, 4) ¿qué determina el tiempo de sobrevivencia de un paciente VIH positivo?
Materias como las anteriores son el tema de los modelos de duración, popularmente conocidos
como análisis de supervivencia o análisis de datos del tiempo a un suceso. En cada ejemplo
citado, la variable clave es la longitud del tiempo o la longitud del intervalo, cuyo modelo es una
variable aleatoria. Una vez más, las matemáticas implican las FDP y las FDA de distribuciones
de probabilidades apropiadas. Aunque los detalles técnicos pueden resultar tediosos, hay libros
accesibles sobre la materia.45 El software estadístico como STATA y LIMDEP estima con faci-

44
Tim Futing Liao, op. cit.
45
Véase, por ejemplo, David W. Hosmer, Jr., y Stanley Lemeshow, Applied Survival Analysis, John Wiley &
Sons, Nueva York, 1999.

16_Maq. Cap. 15_Gujarati.indd 580 12/19/09 11:16:36 PM

 Capítulo 15 Modelos de regresión de respuesta cualitativa 581

lidad tales modelos de duración. Estos paquetes cuentan con ejemplos resueltos para ayudar al
investigador con tales modelos.

Resumen y 1. Los modelos de regresión con respuesta cualitativa se refieren a modelos en los que la varia-
ble de respuesta, o regresada, no es cuantitativa ni en escala de intervalo.
conclusiones
2. El modelo de regresión con respuesta cualitativa más sencillo posible es el modelo binario en
el que la regresada es del tipo sí/no o presencia/ausencia.
3. El modelo de regresión binario más sencillo posible es el modelo lineal de probabilidad
(MLP), en el que se hace la regresión sobre la variable de respuesta binaria con la metodo-
logía de MCO estándar. En este caso, la simplicidad quizá no sea una virtud, pues el MLP
experimenta diversos problemas de estimación. Aunque se superen algunos de dichos pro-
blemas de estimación, la debilidad fundamental del MLP es que supone que la probabilidad
de que algo suceda se incrementa de manera lineal en función del nivel de la regresora; este
supuesto tan restrictivo se evita con los modelos probit y logit.
4. En el modelo logit, la variable dependiente es el logaritmo de la razón de probabilidades, la
cual es una función lineal de las regresoras. La función de probabilidades del modelo logit es
la distribución logística. Si se contara con los datos de manera agrupada, se utilizarían MCO
para calcular los parámetros del modelo logit, siempre y cuando se tome en cuenta de manera
explícita la naturaleza heteroscedástica del término de error. Si se dispone de los datos en el
nivel individual o micro, se requerirían los procedimientos de estimación no lineales en los
parámetros.
5. Si elegimos la distribución normal como la distribución de probabilidades apropiada, se
emplea el modelo probit, aunque es matemáticamente más difícil porque requiere integrales.
Pero para propósitos prácticos, los resultados de los modelos logit y probit son similares. En
la práctica, la elección depende de la facilidad de cálculo, lo cual no representa un problema
grave en vista del complejo software estadístico que hay ahora.
6. Si la variable de respuesta es del tipo de cuenta, el modelo más frecuente en el trabajo
aplicado es el de regresión de Poisson, que se basa en la distribución de probabilidades de
Poisson.
7. Un modelo estrechamente relacionado con el modelo probit es el tobit, también conocido
como modelo de regresión censurado. En dicho modelo, la variable de respuesta se observa
sólo si se cumple(n) cierta(s) condición(es). Así, la pregunta de qué cantidad se gasta en un
automóvil resulta significativa sólo si, para empezar, se decide adquirir un automóvil. Sin
embargo, Maddala observa que el modelo tobit es “aplicable sólo en esos casos en donde la
variable latente [es decir, la variable básica que subyace en un fenómeno] puede, en princi-
pio, adoptar valores negativos, y los valores nulos observados son una consecuencia de la
censura y la no observabilidad”.46
8. Existen varias extensiones del modelo de regresión con respuesta binaria, como los modelos
probit y logit ordenados, así como los probit y logit nominales. La filosofía de estos modelos
es la misma que la de los modelos logit y probit más sencillos, a pesar de que las matemáticas
se complican un poco.
9. Por último, mencionamos brevemente los llamados modelos de duración, en los que la dura-
ción de un fenómeno, como el desempleo o la enfermedad, depende de diversos factores. En
tales modelos, la longitud o el intervalo de duración se convierten en una variable de interés
para la investigación.

46
G.S. Maddala, Introduction to Econometrics, 2a. ed., Macmillan, Nueva York, 1992, p. 342.

16_Maq. Cap. 15_Gujarati.indd 581 12/19/09 11:16:37 PM